A Semi-Supervised Statistical Framework and Generative Snakes for IVUS Analysis

dc.contributor
Universitat Autònoma de Barcelona. Departament d'Informàtica
dc.contributor.author
Pujol Vila, Oriol
dc.date.accessioned
2011-04-12T14:11:49Z
dc.date.available
2005-02-07
dc.date.issued
2004-11-05
dc.date.submitted
2005-02-07
dc.identifier.isbn
8468909831
dc.identifier.uri
http://www.tdx.cat/TDX-0207105-165758
dc.identifier.uri
http://hdl.handle.net/10803/3047
dc.description.abstract
One of the most important topics in computer vision is pattern recognition and classification in images. Any classification process requires from a feature extraction process and a learning technique that categorizes each data sample. However, sometimes, it is not enough to have just a classification since we could need to introduce high-level knowledge constraints to obtain a meaningful classification. Deformable models are one of the possible tools to achieve this goal. This PhD thesis describes several new techniques to be used in this scenario regarding deformable models and classification theory. The definition of deformable models guided using a external potential derived from a generative model is proposed. This approach is called generative snakes. To illustrate this process parametric snakes in a texture based context are used. The extension of the former work to geodesic deformable models is done<br/>by reformulating the geometric deformation process, leading to the Stop and Go formulation. A new tool for mixing labelled and unlabelled data for semi-supervised and particularization problems is developed and validated. This new technique allows supervised and unsupervised processes to compete for each data sample, defining the supervised clustering competition scheme. These techniques are motivated by and applied to medical image analysis, in particular to Intravascular Ultrasound (IVUS) tissue segmentation and characterization. This work also studies the tissue characterization problem in IVUS images and defines a new framework for automatic plaque recognition.
cat
dc.format.mimetype
application/pdf
dc.language.iso
eng
dc.publisher
Universitat Autònoma de Barcelona
dc.rights.license
ADVERTIMENT. L'accés als continguts d'aquesta tesi doctoral i la seva utilització ha de respectar els drets de la persona autora. Pot ser utilitzada per a consulta o estudi personal, així com en activitats o materials d'investigació i docència en els termes establerts a l'art. 32 del Text Refós de la Llei de Propietat Intel·lectual (RDL 1/1996). Per altres utilitzacions es requereix l'autorització prèvia i expressa de la persona autora. En qualsevol cas, en la utilització dels seus continguts caldrà indicar de forma clara el nom i cognoms de la persona autora i el títol de la tesi doctoral. No s'autoritza la seva reproducció o altres formes d'explotació efectuades amb finalitats de lucre ni la seva comunicació pública des d'un lloc aliè al servei TDX. Tampoc s'autoritza la presentació del seu contingut en una finestra o marc aliè a TDX (framing). Aquesta reserva de drets afecta tant als continguts de la tesi com als seus resums i índexs.
dc.source
TDX (Tesis Doctorals en Xarxa)
dc.subject
Processos de classificació
dc.subject
Reconeixement de patrons
dc.subject
Models deformables
dc.subject.other
Tecnologies
dc.title
A Semi-Supervised Statistical Framework and Generative Snakes for IVUS Analysis
dc.type
info:eu-repo/semantics/doctoralThesis
dc.type
info:eu-repo/semantics/publishedVersion
dc.subject.udc
68
cat
dc.contributor.authoremail
oriol@cvc.uab.es
dc.contributor.director
Radeva, Petia
dc.rights.accessLevel
info:eu-repo/semantics/openAccess
dc.identifier.dl
B-6650-2005


Documentos

opv1de4.pdf

1.886Mb PDF

opv2de4.pdf

903.5Kb PDF

opv3de4.pdf

4.224Mb PDF

opv4de4.pdf

2.029Mb PDF

Este ítem aparece en la(s) siguiente(s) colección(ones)